动态环境下基于聚类的小生境微粒群算法的研究

论文摘要

在工业、社会、经济等众多领域中,人们面临着大量的最优化问题。用模拟生物界自然现象而发展起来的群智能优化算法来解决此类问题已被越来越多研究者所关注。PSO(Particle Swarm Optimization)是1995年Kenndy和Eberhart提出的,源于对鸟群运动行为的研究,是一种基于群智能优化算法的演化计算技术。PSO算法作为群智能算法的一个重要分支,由于算法简单易于实现已在许多领域得到了成功应用。PSO算法已成功地应用于各类静态函数的优化中。然而,真实世界遇到的问题往往是随时间变化的,频繁变化的解空间使得最好解随时间的变化而变化,当前时刻得到的最好解,不一定是下一时刻的最好解,这就需要对问题重新建模求解。所以,将微粒群算法应用到动态环境中,跟踪环境的变化并寻找不断变化的最好解具有积极且现实的意义。为了能跟踪到随环境变化而变化的最好解,动态环境下的PSO算法需解决两个问题:一是能检测到环境的变化,二是当环境变化后微粒能紧密地跟踪变化直到获得最好解,即响应环境的变化。本文从这两个方面对适应于变化环境的微粒群算法进行了详细的论述,主要的研究工作如下:1、提出了改进的环境检测方法——多子群分布式评价策略来监测环境的变化,不仅节省了的算法开销,而且弥补了常用环境检测方法不能及时检测出环境变化的局限性。2、提出了响应环境变化的响应依据——分析了提出响应依据的原因、必要性及响应依据之间、响应依据和重设之间的关系。3、为避免群体收敛于全局最优点,本文提出一种保持分布度的局部排挤策略,该方法防止了当种群随着进化代数的增加而不断收敛,会导致种群多样性下降的情况,通过排斥,子群被分散在搜索空间内不同极值附近,使种群多样性提高、适应性增强。最后,介绍了PSO算法在更复杂环境变化中的发展前景和主要研究方向。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 微粒群算法的研究及现状
• 1.2.1 微粒群算法
• 1.2.2 群集智能算法的特点和优点
• 1.2.3 群集智能算法的缺点
• 1.3 动态环境下微粒群算法的概述
• 1.3.1 课题的背景及意义
• 1.3.2 课题的主要研究任务
• 1.4 本文的主要研究内容
• 1.5 本文的组织结构
• 第2章 微粒群算法
• 2.1 微粒群算法的基本描述
• 2.1.1 算法原理
• 2.1.2 算法流程与参数分析
• 2.2 两种基本的进化模型
• 2.3 与其它进化算法的比较
• 2.3.1 PSO 算法与遗传算法（GA）的比较
• 2.3.2 PSO 算法与演化规划的比较
• 2.3.3 PSO 算法与其他优化算法的比较
• 第3章 动态环境下进化算法的研究现状
• 3.1 动态环境的简介
• 3.1.1 动态机制的描述
• 3.1.2 动态函数的特征
• 3.1.3 适合于动态环境的基准函数
• 3.2 动态环境下进化算法的研究现状
• 3.2.1 动态环境下遗传算法的研究现状
• 3.2.2 动态环境下微粒群算法的研究现状
• 3.3 微粒群算法在动态环境中失效的原因
• 第4章 改进的小生境微粒群算法
• 4.1 改进背景
• 4.2 小生境技术
• 4.2.1 小生境技术的基本理论
• 4.2.2 三种重要的小生境技术
• 4.2.3 小生境微粒群算法
• 4.3 改进的小生境微粒群算法
• 4.3.1 改进的基本思想
• 4.3.2 基于聚类分析的小生境微粒群
• 第5章 动态环境下改进的小生境微粒群算法
• 5.1 算法原理及实现
• 5.1.1 环境变化的检测
• 5.1.2 环境变化的响应
• 5.2 算法描述
• 5.3 仿真实验与结果
• 5.3.1 动态优化环境设计
• 5.3.2 实验设置与结果
• 第6章 结论与展望
• 参考文献
• 致谢
• 攻读硕士学位期间完成的论文和参加的科研项目